Tiny machine learning na aplicação de sistemas inteligentes autônomos na zootecnia de precisão

• Ano de defesa: 2025
• Autor(a) principal: Wen, Tung Chiun
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Deep learning; Aprendizado de máquina; Artificial Intelligence; Embedded systems; Microcontrollers; Pattern recognition; Reconhecimento de padrões; Sistemas embarcados
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-24062025-153930/

Este trabalho aborda a modernização da produção animal no Brasil, que apesar de ser um dos principais produtores globais, enfrenta desafios relacionados à ética e ao bem-estar animal. A Zootecnia de Precisão é destacada como uma abordagem que utiliza tecnologias avançadas, como dispositivos embarcados e algoritmos de aprendizado de máquina, para monitorar e otimizar as condições em que os animais são criados. O uso de Tiny Machine Learning (TinyML) permite a implementação de inteligência artificial em dispositivos com recursos limitados, possibilitando decisões autônomas e em tempo real. Este trabalho, é composto por 3 capítulos em formato de artigo, explorando o uso de Tiny Machine Learning na Zootecnia de Precisão. O primeiro capítulo é uma revisão de literatura sobre TinyML, abrangendo desde os conceitos básicos de Inteligência Artificial até a Computação de Borda. Também discute os desafios e oportunidades do TinyML na Zootecnia de Precisão, com foco em seus benefícios, desafios e perspectivas para melhorar a interação com animais e promover práticas mais eficientes e sustentáveis. O segundo capítulo do trabalho, destaca a crescente presença de capivaras em áreas urbanas, seu papel como hospedeiros da bactéria Rickettsia rickettsii, causadora da Febre Maculosa Brasileira, e o desenvolvimento de um sistema autônomo para detecção de presença desse animal. A modelagem desenvolvida via distinção \"visual\" da capivara em relação a outros animais (onça e veado) com uso do TinyML permitiu precisão superior a 94%. O terceiro capítulo enfatiza a importância do deep learning para análises de reconhecimento de padrões sonoros. Também menciona o desenvolvimento de modelos compactos e robustos de redes neurais, níveis de precisão acima de 92% foram obtidos na fase de teste. No entanto, os resultados não foram satisfatórios na fase de implementação, presumivelmente em função da qualidade inadequada do hardware. Novos testes de implementação são recomendados com uso de hardwares mais sofisticados.